Wixzel Voiceのsarvamエンジンで作るヒンディー語とマラヤーラム語の電話エージェント

始める前に何が必要ですか？

• クレジットのあるWixzel VoiceのAPIキー。WIXZEL_API_KEYとして環境変数に設定しておきます。
• SIPトランクとそのトランク上の番号。インドの番号には、ExotelやVobizなどの通信事業者を使い、KYCと必要なDLT登録を済ませておきます。これらが済んでいないアカウントは、残高があってもすべての発信が通信事業者に拒否されることがあります。
• curl、jq、uuidgen。

Wixzel Voiceでこれを構築する手順は？

1. 01エンジンが対応する言語と音声を確認する

   どちらのリストもハードコードせず、APIに問い合わせます。

   shellコピー

   curl https://api.voice.wixzel.com/v1/engines/sarvam/languages \
     -H "Authorization: Bearer $WIXZEL_API_KEY"
   
   curl https://api.voice.wixzel.com/v1/engines/sarvam/voices \
     -H "Authorization: Bearer $WIXZEL_API_KEY"

   言語のエンドポイントは現在11個のコードを返します。en-IN、hi-IN、bn-IN、gu-IN、kn-IN、ml-IN、mr-IN、od-IN、pa-IN、ta-IN、te-INです。ヒンディー語はhi-IN、マラヤーラム語はml-INです。音声はpriya、kavya、shubhのようなBulbul v3の話者名です。Sarvamが公開しているのは名前だけなので、選ぶ前に実際に聞いて確かめてください。

2. 02ヒンディー語のエージェントを作成する

   言語は3つの設定で決まります。voice.stt.languageは音声認識と音声合成をヒンディー語に固定し、エージェントのlanguageはモデルにその言語で返答させ、プロンプトと冒頭のあいさつはエージェントに話させたい言葉づかいで書きます。3つの段はすべてSarvamのモデルです。音声認識のプロバイダーがパイプラインを決め、残りの2つは同じファミリーのものである必要があるためです。

   shellコピー

   curl https://api.voice.wixzel.com/v1/agents \
     -H "Authorization: Bearer $WIXZEL_API_KEY" \
     -H "Content-Type: application/json" \
     -d '{
       "name": "Hindi reception",
       "language": "hi-IN",
       "system_prompt": "You answer the phone for Sharma Dental Clinic, in Hindi. Speak the everyday Hindi callers use, English words included. Keep replies to one or two short sentences.",
       "opening_message": "नमस्ते, शर्मा डेंटल क्लिनिक में आपका स्वागत है। बताइए, मैं आपकी क्या मदद करूँ?",
       "voice": {
         "stt": { "model": "sarvam/saaras-v3-realtime", "language": "hi-IN" },
         "llm": { "model": "sarvam/sarvam-105b" },
         "tts": { "model": "sarvam/bulbul-v3", "voice": "priya" }
       }
     }'

   レスポンスのidをHINDI_AGENT_IDとして控えておきます。エンジンが対応していない言語や音声を指定すると、エージェントの作成時に拒否され、エラーに有効な値が一覧されます。

3. 03マラヤーラム語のエージェントを作成する

   同じ形で、2か所をml-INにし、冒頭のあいさつをマラヤーラム語にします。

   shellコピー

   curl https://api.voice.wixzel.com/v1/agents \
     -H "Authorization: Bearer $WIXZEL_API_KEY" \
     -H "Content-Type: application/json" \
     -d '{
       "name": "Malayalam reception",
       "language": "ml-IN",
       "system_prompt": "You answer the phone for a dental clinic in Kochi, in Malayalam. Speak the everyday Malayalam callers use, English words included. Keep replies to one or two short sentences.",
       "opening_message": "നമസ്കാരം, കൊച്ചി ഡെന്റൽ ക്ലിനിക്കിലേക്ക് സ്വാഗതം. ഞാൻ എങ്ങനെ സഹായിക്കാം?",
       "voice": {
         "stt": { "model": "sarvam/saaras-v3-realtime", "language": "ml-IN" },
         "llm": { "model": "sarvam/sarvam-105b" },
         "tts": { "model": "sarvam/bulbul-v3", "voice": "kavya" }
       }
     }'

   このidはMALAYALAM_AGENT_IDとして控えておきます。1つのエージェントが話すのは1つの言語です。sarvamエンジンには自動判定モードがないため、両方の言語の発信者に対応するには、着信では言語ごとに番号を分け、発信では通話ごとにエージェントを選びます。

4. 04着信を割り当てる、または発信する

   番号の着信をヒンディー語のエージェントに割り当てるか、マラヤーラム語のエージェントで相手に電話をかけます。

   shellコピー

   # Inbound: calls to this number reach the Hindi agent
   jq -n --arg agent "$HINDI_AGENT_ID" '{inbound_agent_id: $agent}' |
     curl -X PATCH https://api.voice.wixzel.com/v1/phone-numbers/$NUMBER_ID \
       -H "Authorization: Bearer $WIXZEL_API_KEY" \
       -H "Content-Type: application/json" \
       -d @-
   
   # Outbound: the Malayalam agent rings $TO (E.164, for example +91 and ten digits)
   jq -n --arg to "$TO" --arg agent "$MALAYALAM_AGENT_ID" --arg from "$NUMBER_ID" \
     '{to: $to, agent_id: $agent, from_number_id: $from}' |
     curl https://api.voice.wixzel.com/v1/calls \
       -H "Authorization: Bearer $WIXZEL_API_KEY" \
       -H "Idempotency-Key: $(uuidgen)" \
       -H "Content-Type: application/json" \
       -d @-

   POST /v1/callsではIdempotency-Keyが必須です。同じキーで再試行すると、二重に発信せずに最初の通話が返されます。

5. 05実際の発信者の話し方でテストする

   ほとんどの発信者は、ヒンディー語やマラヤーラム語に英語を混ぜて話します。日付、数字、ブランド名、「appointment」や「cancel」のような単語です。Sarvamのモデルは、モデルが扱える範囲で、ヒングリッシュのような言語が混在した話し方に対応できます。プロンプトではそれを禁止せず、許容するように書いてください。

   エージェントにできないのは、発信者が完全に別のインドの言語に切り替えたときに追従することです。音声認識は通話開始時にvoice.stt.languageに固定されるためです。実際のトラフィックをつなぐ前に、実際の言い回しで何度か電話をかけ、GET /v1/calls/{id}の文字起こしで何が聞き取られたかを確認してください。

Wixzel Voiceでこの構築にかかる費用は？

この構築に関係するWixzel Voiceの制限は？

• エージェント1つにつき1言語です。sarvamエンジンには自動言語判定がないため、発信者が完全に別の言語に切り替えると追従できません。
• Sarvamは通話中、音声とテキストをインド国内で処理します。通話ログ、文字起こし、録音はインド国内のサーバーに保存されます。
• Bulbulの音声は名前だけで提供され、性別やアクセントの説明はありません。試聴するにはテスト通話が必要で、実際の電話が鳴りクレジットを消費します。
• インドの通信事業者は、発信をKYCや、多くの場合DLT登録の完了を条件にしています。その理由で通信事業者が拒否した通話は通信事業者側で失敗し、プラットフォーム側では解決できません。
• デフォルトでは、1アカウントあたり同時に5件まで通話でき、申請により引き上げられます。